CN116108367A - 旋转机械系统故障诊断方法、系统、电子设备及存储介质 - Google Patents

旋转机械系统故障诊断方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN116108367A
CN116108367A CN202310110275.XA CN202310110275A CN116108367A CN 116108367 A CN116108367 A CN 116108367A CN 202310110275 A CN202310110275 A CN 202310110275A CN 116108367 A CN116108367 A CN 116108367A
Authority
CN
China
Prior art keywords
neural network
information
category
graph neural
activating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310110275.XA
Other languages
English (en)
Inventor
蒲华燕
滕守伟
肖登宇
徐浪
王刚
罗均
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202310110275.XA priority Critical patent/CN116108367A/zh
Publication of CN116108367A publication Critical patent/CN116108367A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开一种旋转机械系统故障诊断方法、系统、电子设备及存储介质，涉及故障诊断领域，方法包括获取旋转机械系统的原始信号；对所述原始信号利用短时傅里叶变换和卷积神经网络进行特征提取，得到特征信息；对所述特征信息利用多头注意力机制和前馈连接神经网络进行预分类，得到类别感知信息；对所述类别感知信息利用图神经网络进行分类修正，得到修正信息；所述图神经网络包括静态图神经网络和动态图神经网络；将所述类别感知信息和所述修正信息进行加权和激活，得到分类编码矩阵；所述分类编码矩阵用于确定复合故障类型。本发明能提高故障诊断精度。

Description

旋转机械系统故障诊断方法、系统、电子设备及存储介质
技术领域
本发明涉及故障诊断领域，特别是涉及一种旋转机械系统故障诊断方法、系统、电子设备及存储介质。
背景技术
随着现代化工业的飞速发展，现代的工业设备，正在朝着高复杂度，高精度，高效率以及大型化，自动化方向发展。旋转机械例如齿轮箱是其中非常基础和重要的设备，因此旋转机械的故障寿命预测以及故障诊断非常的重要。在恶劣的环境和工作条件下，旋转机械系统尤其是其中的旋转部件例如齿轮与轴承易发生故障，而且发生的故障可能会影响其他部件的正常运行，从而导致灾难性的故障并产生巨大的经济损失。而其中大多数是复合型故障，由不同部位零件的故障或者同一零件中不同类型故障组成，因此迫切需要一种准确、智能、高效的诊断方法。
传统上，常见的智能故障诊断方案通常包含特征提取与故障模式分类两个阶段。在提取特征阶段，主要有信号处理技术以及神经网络学习，在故障模式分类阶段，将前一阶段提取好的数据特征作为智能分类器输入，常用的有支持向量机(SVM)、K-近邻(KNN)、朴素贝叶斯、Softmax分类器(SC)。以上述方法为基础衍生出了很多智能故障诊断方法，尽管目前的方案在旋转机械中取得了很大的成就，但是还存在以下问题需要克服：旋转机械一般工作在非常复杂的环境中，由于振动特征背景噪声的污染，传统方法的性能通常取决于所选择的特征对不同类别的敏感程度，所以需要较高的专家知识与经验。在智能故障诊断领域，单一故障和复合故障通常被视为独立的故障模式，而忽略了它们之间的潜在关系。传统的分类器只能为复合故障的测试样本输出一个标签，而不能输出多个标签，这将导致复合故障不能被分类为两个或多个单一故障。这意味着在故障诊断过程中，复合故障不能像单一故障那样解耦。基于上述装备生产中的旋转机械智能故障诊断缺陷，有必要研究新型的旋转机械复合故障的智能故障诊断方案。
有一现有方案，对于旋转机械的复合故障，首先对于实验数据进行预处理，将处理好的一维数据输送进入故障分类器进行分类。复合故障分类器主要由一个一维三层的卷积神经网络组成，之后将得到的数据进行reshape，在最后经过两个全连接层得到最终的结果。
还有现有方案在复合故障分类中，提出了两个步骤，第一步将数据输入进特征提取模块，这里的特征提取模块同样有一维神经网络构成，再将提取到的特征输入到复合故障解耦分类器中，复合故障解耦分类器是对胶囊网络的一个应用，最终通过L2标准化得到故障分类标签。
第一个现有方案中提到的，用简单的神经网络提取到的特征通过一个非线性函数进行激活分类，结果准确率不高。而对于第二个现有方案中提到的胶囊神经网络，网络并行度不高，训练难度大。同时，对于旋转机械的复合故障的特征在频域内较时域内更为突出，而以上方案都是使用的一维信号，无法对于频域特征进行提取，因此分类误差较高。旋转机械中的故障之间是有关系的，例如出现A故障就常常伴随着B故障，或者出现A故障就一般不会出现C故障，这些可以根据专家们的技术经验进行一定的干预，但是对于旋转机械故障，有非常多的种类，这样非常耗时耗力。其中最主要的缺点为没有将旋转机械故障之间的相关性加入到故障分类中去，也就是第二点提到的，从而分类准确度不高。
发明内容
本发明的目的是提供一种旋转机械系统故障诊断方法、系统、电子设备及存储介质，以提高故障诊断精度。
为实现上述目的，本发明提供了如下方案：
一种旋转机械系统故障诊断方法，包括：
获取旋转机械系统的原始信号；
对所述原始信号利用短时傅里叶变换和卷积神经网络进行特征提取，得到特征信息；
对所述特征信息利用多头注意力机制和前馈连接神经网络进行预分类，得到类别感知信息；
对所述类别感知信息利用图神经网络进行分类修正，得到修正信息；所述图神经网络包括静态图神经网络和动态图神经网络；
将所述类别感知信息和所述修正信息进行加权和激活，得到分类编码矩阵；所述分类编码矩阵用于确定复合故障类型。
可选地，对所述原始信号利用短时傅里叶变换和卷积神经网络进行特征提取，得到特征信息，具体包括：
对所述原始信号进行短时傅里叶变换，得到变换后信号；
将变换后信号利用卷积神经网络进行特征提取，得到特征信息；所述卷积神经网络包括依次连接的二维卷积层、批标准化层、rule激活函数和最大池化层。
可选地，对所述类别感知信息利用图神经网络进行分类修正，得到修正信息；所述图神经网络包括静态图神经网络和动态图神经网络，具体包括：
将所述类别感知信息输入所述静态图神经网络，得到静态图神经网络输出结果；
将所述静态图神经网络输出结果利用最大池化层进行全局最大池化，得到全局特征信息；
根据所述全局特征信息利用所述动态图神经网络进行动态类别感知和激活，得到修正信息。
可选地，将所述类别感知信息和所述修正信息进行加权和激活，得到分类编码矩阵，具体包括：
将所述类别感知信息和所述修正信息利用全连接层和Sigmoid函数进行加权和激活，得到分类编码矩阵。
本发明还提供一种旋转机械系统故障诊断系统，包括：
获取模块，用于获取旋转机械系统的原始信号；
特征提取模块，用于对所述原始信号利用短时傅里叶变换和卷积神经网络进行特征提取，得到特征信息；
预分类模块，用于对所述特征信息利用多头注意力机制和前馈连接神经网络进行预分类，得到类别感知信息；
分类修正模块，用于对所述类别感知信息利用图神经网络进行分类修正，得到修正信息；所述图神经网络包括静态图神经网络和动态图神经网络；
加权和激活模块，用于将所述类别感知信息和所述修正信息进行加权和激活，得到分类编码矩阵；所述分类编码矩阵用于确定复合故障类型。
可选地，特征提取模块，具体包括：
短时傅里叶变换单元，用于对所述原始信号进行短时傅里叶变换，得到变换后信号；
特征提取单元，用于将变换后信号利用卷积神经网络进行特征提取，得到特征信息；所述卷积神经网络包括依次连接的二维卷积层、批标准化层、rule激活函数和最大池化层。
可选地，分类修正模块，具体包括：
静态图神经网络处理单元，用于将所述类别感知信息输入所述静态图神经网络，得到静态图神经网络输出结果；
全局最大池化单元，用于将所述静态图神经网络输出结果利用最大池化层进行全局最大池化，得到全局特征信息；
动态类别感知和激活单元，用于根据所述全局特征信息利用所述动态图神经网络进行动态类别感知和激活，得到修正信息。
可选地，加权和激活模块，具体包括：
加权和激活单元，用于将所述类别感知信息和所述修正信息利用全连接层和Sigmoid函数进行加权和激活，得到分类编码矩阵。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述方法。
本发明还提供一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明对所述原始信号利用短时傅里叶变换和卷积神经网络进行特征提取，得到特征信息；对所述特征信息利用多头注意力机制和前馈连接神经网络进行预分类，得到类别感知信息；对所述类别感知信息利用图神经网络进行分类修正，得到修正信息；所述图神经网络包括静态图神经网络和动态图神经网络；将所述类别感知信息和所述修正信息进行加权和激活，得到分类编码矩阵；所述分类编码矩阵用于确定复合故障类型。旋转机械采集的振动信号通常是一维的，但是故障在频域内的特征较时域内的更为突出，因此对信号进行短时傅里叶变换得到同时包含时频域信息的二维信号，这样在下一步特征提取时可以更有效地提取它们之间的区别特征。运用的多头注意力机制，其优点是它可以自适应的关注嵌入标签的不同区域，使得最终的分类精度高。通过图神经网络对预分类的信号进行修正，使得故障之间的关联性在旋转机械复合故障诊断中起到的作用，更为精确的识别复合故障类型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的旋转机械系统故障诊断方法流程图；
图2为旋转机械系统故障诊断方法示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种旋转机械系统故障诊断方法、系统、电子设备及存储介质，以提高故障诊断精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和图2所示，本发明提供的一种旋转机械系统故障诊断方法，包括：
步骤101：获取旋转机械系统的原始信号。
步骤102：对所述原始信号利用短时傅里叶变换和卷积神经网络进行特征提取，得到特征信息。步骤102，具体包括：对所述原始信号进行短时傅里叶变换，得到变换后信号；将变换后信号利用卷积神经网络进行特征提取，得到特征信息；所述卷积神经网络包括依次连接的二维卷积层、批标准化层、rule激活函数和最大池化层。
一般来说，不同故障在频域中的特征较在时域中的特征更为突出，因此对信号进行短时傅里叶变换，在提取出振动信号在频域内信息的同时也保留了一定的时域信息。接下来将处理得到时频信号输入到特征提取模块，时频信号是二维信号，因此选择一个三层的二维卷积神经网络作为特征提取模块。
原始信息为输入的复合故障信号Singal，提供原始信号为
Figure BDA0004077817250000061
作为输入信号，x为一维信号，其中L代表的是信号的长度。经过短时傅里叶变换STFT的到信号
Figure BDA0004077817250000062
其中L1，H1分别是经过变换后信号的长度和宽度。在这之后，将所得信号作为特征提取的输入，经过一个三层的二维卷积神经网络CNN，共由二维卷积，批标准化，relu激活函数以及最大池化层组成。最终提取到特征信为
Figure BDA0004077817250000063
其中L2为长度，H2为宽度，M为下一阶段与故障标签查询相关的中间维度。
步骤103：对所述特征信息利用多头注意力机制和前馈连接神经网络进行预分类，得到类别感知信息。
接下来将提取到的特征信息输入到本发明所提出的复合故障解耦分类模块中，解耦分类模块主要分为两部分：1.以多头注意力机制为核心的分类模块，2.以图神经网络为核心的分类修正模块。其中多头注意力机制和前馈连接神经网络为N个预分类模块N×。
多头注意力机制Multihead有三个输入(Q,K,V,)其中Q代表的查询标签的输入，生成可学习的查询标签矩阵
Figure BDA0004077817250000071
其中K1代表的故障分类时所包含的单个故障数量，M是与特征提取得到的特征矩阵所对应的中间维度。K是特征提取模块的输出矩阵，即是提取到的特征，V是在K的基础上增加的位置编码嵌入的矩阵。根据所输入的特征与标签空间会依次经过多头注意力模块以及前馈连接神经网络FFN，对标签空间进行层层迭代更新，迭代公式如(1)多头注意力机制可以自适应的关注特征中与故障类别相关的局部区域，得到类别感知信息
Figure BDA0004077817250000072
这一阶段是对旋转机械的复合故障进行一次预分类，将预分类结果输入到图神经网络中进一步修正分类结果。
多头注意力公式：Qi＝Multihead(Qi-1，K，V)#(1)
其中Qi为第i个查询标签。
步骤104：对所述类别感知信息利用图神经网络进行分类修正，得到修正信息；所述图神经网络包括静态图神经网络和动态图神经网络。步骤104，具体包括：将所述类别感知信息输入所述静态图神经网络，得到静态图神经网络输出结果；将所述静态图神经网络输出结果利用所述动态图神经网络进行全局最大池化，得到全局特征信息；根据所述全局特征信息利用所述动态图神经网络进行动态类别感知和激活，得到修正信息。
图神经网络主要由静态图神经网络(SGCN)和动态图神经网络(DGCN)构成，SGCN的公式为静态图神经网络输出结果S＝δ(CsAWs)，其中δ为激活函数Relu，S为静态图神经网络的输出，表示单个故障标签之间的粗依赖关系，而A为上一步预分类得到的类别感知信息，Cs为类别感知相关矩阵，
Figure BDA0004077817250000081
为状态权值更新矩阵，这两个参数根据神经网络训练初始化，而Cs确定后是固定的，并且对所有的样本都起作用的，这样得到的是复合故障中单个故障的粗的依赖关系。DGCN对得到的S进一步处理，先对S进行全局最大池化，提取全局特征与S进行合并，从而获得全局特征信号A'。DGCN中的关键是动态类别感知矩阵
Figure BDA0004077817250000082
Cd＝Sigmoid(WA')，其中W为权重矩阵。由此可知，Cd是随着输入样本改变的，这就赋予了它对不同数据的针对性。DGCN的公式为D＝δ(CdSWd)，其中
Figure BDA0004077817250000083
δ为激活函数Relu。
步骤105：将所述类别感知信息和所述修正信息进行加权和激活，得到分类编码矩阵；所述分类编码矩阵用于确定复合故障类型。步骤105，具体包括：将所述类别感知信息和所述修正信息利用全连接层和Sigmoid函数进行加权和激活，得到分类编码矩阵。
最后通过全连接层以及Sigmoid函数处理A与D得到分类信息并加权得到最终结果，分类编码矩阵
Figure BDA0004077817250000084
公式为
Figure BDA0004077817250000085
其中WA，WD为全连接层的权重矩阵。这里Sigmoid函数是一个二分类函数，复合故障采取的是热编码标签，因此只需要判断是否出现某一故障，之后综合得到复合故障类型。
本发明提供的整个过程可以分为两个个步骤。第一步，对数据进行预处理并且提取特征，第二步将提取好的特征输入复合故障解耦分类器中训练模型。其中在第一部分主要用到了短时傅里叶变换以及三层的二维神经网络，在第二部分用到了多头注意力机制以及神经网络，最终端到端的实现旋转机械的复合故障的解耦分类任务。
1.故障诊断有两个步骤：
(1)数据预处理及特征提取
用了短时傅里叶变换处理数据，用三层的二维卷积神经网络进行特征提取。
(2)复合故障解耦分类
1.对提取到的特征分了三步处理①用多头注意力机制进行预分类，得到内容感知类别信息；②用动态及静态图神经网络对内容感知类别信息进行进一步修正；③对前两步处理得到的分类信息进行加权和得到最终的分类热编码矩阵。
2.运用的多头注意力机制对提取到的特征进行预分类，注意力机制可以根据标签的嵌入自发的注意不同位置的特征，而多头的优点是可以从不同的方面进行特征的提取。
3.目前的旋转机械例如齿轮，轴承中的故障可能同时发生，也可能某一故障伴随着另一故障而发生，说明它们并不是独立的故障，之间有相互关联，相互诱导。这里运用图神经网络对以故障之间的相关性对预分类得到的结果加以修正。
4.Sigmoid函数很少用于复合故障，这里运用Sigmoid函数进行二分类，对每一类型的故障都判断有或者没有即输出1或0，这样无论故障之间如何组合都不用将其视为新一个故障。
旋转机械采集的振动信号通常是一维的，但是故障在频域内的特征较时域内的更为突出，因此对信号进行短时傅里叶变换得到同时包含时频域信息的二维信号，这样在下一步特征提取时可以更有效地提取它们之间的区别特征。运用的多头注意力机制，其优点是它可以自适应的关注嵌入标签的不同区域，使得最终的分类精度高。通过图神经网络对预分类的信号进行修正，使得故障之间的关联性在旋转机械复合故障诊断中起到的作用，更为精确的识别复合故障类型。
本发明还提供一种旋转机械系统故障诊断系统，包括：
获取模块，用于获取旋转机械系统的原始信号。
特征提取模块，用于对所述原始信号利用短时傅里叶变换和卷积神经网络进行特征提取，得到特征信息。
预分类模块，用于对所述特征信息利用多头注意力机制和前馈连接神经网络进行预分类，得到类别感知信息。
分类修正模块，用于对所述类别感知信息利用图神经网络进行分类修正，得到修正信息；所述图神经网络包括静态图神经网络和动态图神经网络。
加权和激活模块，用于将所述类别感知信息和所述修正信息进行加权和激活，得到分类编码矩阵；所述分类编码矩阵用于确定复合故障类型。
作为一种可选地实施方式，特征提取模块，具体包括：
短时傅里叶变换单元，用于对所述原始信号进行短时傅里叶变换，得到变换后信号。
特征提取单元，用于将变换后信号利用卷积神经网络进行特征提取，得到特征信息；所述卷积神经网络包括依次连接的二维卷积层、批标准化层、rule激活函数和最大池化层。
作为一种可选地实施方式，分类修正模块，具体包括：
静态图神经网络处理单元，用于将所述类别感知信息输入所述静态图神经网络，得到静态图神经网络输出结果。
全局最大池化单元，用于将所述静态图神经网络输出结果利用最大池化层进行全局最大池化，得到全局特征信息。
动态类别感知和激活单元，用于根据所述全局特征信息利用所述动态图神经网络进行动态类别感知和激活，得到修正信息。
作为一种可选地实施方式，加权和激活模块，具体包括：
加权和激活单元，用于将所述类别感知信息和所述修正信息利用全连接层和Sigmoid函数进行加权和激活，得到分类编码矩阵。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述方法。
本发明还提供一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述方法。
本发明在复合故障诊断的过程中，加入了不同单一故障之间的相关性与复合故障产生的关系，提高旋转机械系统的复合故障识别的准确度。本发明提出基于注意力机制与图神经网络的所建立标签相关性的模型，通过短时傅里叶变换得到故障信号在时频域的信号，以便提取与故障分类更相关的特征。而多头注意力模块可以自适应的关注与标签相关的特征，同时其并行度非常高，模型训练容易。图神经网络可以建立标签的相关性矩阵，以增加一些经验知识，使结果分类更准确。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种旋转机械系统故障诊断方法，其特征在于，包括：
获取旋转机械系统的原始信号；
对所述原始信号利用短时傅里叶变换和卷积神经网络进行特征提取，得到特征信息；
对所述特征信息利用多头注意力机制和前馈连接神经网络进行预分类，得到类别感知信息；
对所述类别感知信息利用图神经网络进行分类修正，得到修正信息；所述图神经网络包括静态图神经网络和动态图神经网络；
将所述类别感知信息和所述修正信息进行加权和激活，得到分类编码矩阵；所述分类编码矩阵用于确定复合故障类型。
2.根据权利要求1所述的旋转机械系统故障诊断方法，其特征在于，对所述原始信号利用短时傅里叶变换和卷积神经网络进行特征提取，得到特征信息，具体包括：
对所述原始信号进行短时傅里叶变换，得到变换后信号；
将变换后信号利用卷积神经网络进行特征提取，得到特征信息；所述卷积神经网络包括依次连接的二维卷积层、批标准化层、rule激活函数和最大池化层。
3.根据权利要求1所述的旋转机械系统故障诊断方法，其特征在于，对所述类别感知信息利用图神经网络进行分类修正，得到修正信息；所述图神经网络包括静态图神经网络和动态图神经网络，具体包括：
将所述类别感知信息输入所述静态图神经网络，得到静态图神经网络输出结果；
将所述静态图神经网络输出结果利用最大池化层进行全局最大池化，得到全局特征信息；
根据所述全局特征信息利用所述动态图神经网络进行动态类别感知和激活，得到修正信息。
4.根据权利要求1所述的旋转机械系统故障诊断方法，其特征在于，将所述类别感知信息和所述修正信息进行加权和激活，得到分类编码矩阵，具体包括：
将所述类别感知信息和所述修正信息利用全连接层和Sigmoid函数进行加权和激活，得到分类编码矩阵。
5.一种旋转机械系统故障诊断系统，其特征在于，包括：
获取模块，用于获取旋转机械系统的原始信号；
特征提取模块，用于对所述原始信号利用短时傅里叶变换和卷积神经网络进行特征提取，得到特征信息；
预分类模块，用于对所述特征信息利用多头注意力机制和前馈连接神经网络进行预分类，得到类别感知信息；
分类修正模块，用于对所述类别感知信息利用图神经网络进行分类修正，得到修正信息；所述图神经网络包括静态图神经网络和动态图神经网络；
加权和激活模块，用于将所述类别感知信息和所述修正信息进行加权和激活，得到分类编码矩阵；所述分类编码矩阵用于确定复合故障类型。
6.根据权利要求5所述的旋转机械系统故障诊断系统，其特征在于，特征提取模块，具体包括：
短时傅里叶变换单元，用于对所述原始信号进行短时傅里叶变换，得到变换后信号；
特征提取单元，用于将变换后信号利用卷积神经网络进行特征提取，得到特征信息；所述卷积神经网络包括依次连接的二维卷积层、批标准化层、rule激活函数和最大池化层。
7.根据权利要求5所述的旋转机械系统故障诊断系统，其特征在于，分类修正模块，具体包括：
静态图神经网络处理单元，用于将所述类别感知信息输入所述静态图神经网络，得到静态图神经网络输出结果；
全局最大池化单元，用于将所述静态图神经网络输出结果利用最大池化层进行全局最大池化，得到全局特征信息；
动态类别感知和激活单元，用于根据所述全局特征信息利用所述动态图神经网络进行动态类别感知和激活，得到修正信息。
8.根据权利要求5所述的旋转机械系统故障诊断系统，其特征在于，加权和激活模块，具体包括：
加权和激活单元，用于将所述类别感知信息和所述修正信息利用全连接层和Sigmoid函数进行加权和激活，得到分类编码矩阵。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任意一项所述的方法。
10.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的方法。
CN202310110275.XA 2023-02-13 2023-02-13 旋转机械系统故障诊断方法、系统、电子设备及存储介质 Pending CN116108367A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310110275.XA CN116108367A (zh) 2023-02-13 2023-02-13 旋转机械系统故障诊断方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310110275.XA CN116108367A (zh) 2023-02-13 2023-02-13 旋转机械系统故障诊断方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116108367A true CN116108367A (zh) 2023-05-12

Family

ID=86265208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310110275.XA Pending CN116108367A (zh) 2023-02-13 2023-02-13 旋转机械系统故障诊断方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116108367A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894215A (zh) * 2023-07-20 2023-10-17 江南大学 一种基于半监督动态图注意的齿轮箱故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894215A (zh) * 2023-07-20 2023-10-17 江南大学 一种基于半监督动态图注意的齿轮箱故障诊断方法
CN116894215B (zh) * 2023-07-20 2024-03-12 江南大学 一种基于半监督动态图注意的齿轮箱故障诊断方法

Similar Documents

Publication Publication Date Title
Chen et al. Deep transfer learning for bearing fault diagnosis: A systematic review since 2016
Zhang et al. Machinery fault diagnosis with imbalanced data using deep generative adversarial networks
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN112084974A (zh) 一种基于元学习的多标签滚动轴承故障诊断方法
CN114993669B (zh) 多传感器信息融合的传动系统故障诊断方法及系统
CN112541524B (zh) 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
CN113505655A (zh) 面向数字孪生系统的轴承故障智能诊断方法
CN113837000A (zh) 一种基于任务排序元学习的小样本故障诊断方法
WO2021044418A1 (en) Sensor-agnostic mechanical machine fault identification
CN116108367A (zh) 旋转机械系统故障诊断方法、系统、电子设备及存储介质
CN116992226A (zh) 一种水泵电机故障检测方法、系统
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN117473411A (zh) 基于改进Transformer模型的轴承寿命预测方法
DeVol et al. Inception based deep convolutional neural network for remaining useful life estimation of turbofan engines
Huo et al. A class-level matching unsupervised transfer learning network for rolling bearing fault diagnosis under various working conditions
Chaleshtori Data fusion techniques for fault diagnosis of industrial machines: a survey
Xiao et al. Health assessment for piston pump using LSTM neural network
CN116910657A (zh) 一种基于无监督学习的故障诊断方法和设备
CN115758086A (zh) 卷烟烘丝机故障检测的方法、装置、设备及可读存储介质
Nascimento et al. T4PdM: A deep neural network based on the transformer architecture for fault diagnosis of rotating machinery
Hao et al. New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis
WO2023032364A1 (en) Anomaly detection and diagnosis in factory automation system using pre-processed time-delay neural network with loss function adaptation
Xu et al. Discriminative and Graph Knowledge Embedding Based on Incremental Confidence Labeling for Cross-Domain Fault Diagnosis
Chen et al. Machine Learning–based Fault Prediction and Diagnosis of Brushless Motors
You et al. A new generative neural network for bearing fault diagnosis with imbalanced data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination